排序方式: 共有104条查询结果,搜索用时 31 毫秒
1.
为了将机载SAR超高分辨率(0.1 m)条件下的超大带宽信号的实现和成像信号的处理进行有效结合,首先深入分析了基于PFA的2维重叠子孔径处理算法(PFOSA),并对算法中采用的不合理近似进行了改进;然后将PFOSA应用于调频步进信号的SAR成像处理,在此基础上,提出了一种基于调频步进信号的2维子孔径处理算法.该算法不仅能够将调频步进信号处理与距离子孔径处理相结合,使之无需常规的脉冲合成过程,而且还能够利用子孔径处理获得的目标粗分辨位置信息来有效补偿脉冲簇内由载机运动引起的空变相位误差,从而克服了常规脉冲合成方法无法补偿空变相位误差的缺点.仿真数据处理结果表明,该算法是有效的. 相似文献
2.
本文针对机载气象雷达前视快速扫描下的多普勒模糊问题,提出了两种多普勒解模糊算法:基于改进方位向波束形成算法和基于阻塞矩阵算法。基于改进方位向波束形成算法在传统的Capon波束形成的基础上,利用空间谱积分的方法对非期望信号协方差矩阵进行重构和对导向矢量进行估计,进一步提高了算法的鲁棒性,降低方位角估计误差;基于阻塞矩阵算法需要估计导向矢量,并利用导向矢量计算阻塞矩阵,将接收信号进行多普勒模糊相消预处理,阻塞每个多普勒频点的模糊多普勒分量,以达到解模糊的目的。通过仿真实验证明,两种方法均可以有效地恢复信号的多普勒信息,其中基于阻塞矩阵算法与基于改进方位向波束形成算法相比,有更优良的性能,并有更小的运算量。 相似文献
3.
视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。 相似文献
4.
合成孔径雷达(SAR)成像中通常默认大气折射率为1,即电磁(EM)波速率等于自由空间光速且忽略大气吸收特性,但实际存在的吸收会减弱入射功率,电磁波速率的变化会引起相位误差,从而影响图像重建.该文定量分析电磁波速率波动和大气吸收对雷达图像的影响,理论推导得出大气吸收会导致振幅误差,表现为散射点在图像中的重建幅度误差;电磁波速率波动会导致相位误差,表现为散射点在图像中的重建位置误差.仿真实验验证了误差分析的正确性.该分析进一步完备了SAR成像误差分析,有助于SAR图像正确解译. 相似文献
5.
环视合成孔径雷达(SAR)工作于波束扫描模式,雷达天线以垂直地面方向为轴线作圆锥扫描,实现对载机周围360°范围内的聚焦成像。为了研究环视SAR成像处理中几何失真校正问题,通过波束扫描至空间不同位置处的成像几何关系,分析了成像过程中引起几何失真的机理,提出了一种基于子图像素实际地理坐标的几何失真校正方法。利用文中给出的方法对实测环视SAR数据进行处理,得到无几何失真的SAR图像,证明该方法有效。 相似文献
6.
7.
视频SAR要求高分辨率实时成像,很多成像算法在高分辨率成像时,算法复杂度较高,使用中央处理器(CPU)处理无法实时成像。为解决这一问题,该文提出了一种基于图形处理器(GPU)的圆迹视频SAR实时成像算法。该算法首先根据帧率与重叠率的关系截取回波数据,然后将极坐标格式算法(PFA)中传统的两维插值用效率更高的Chirp Scaling操作代替,并且利用3种优化技术对PFA的GPU实现进行加速。实验结果表明,该文所用成像算法帧率能达到5Hz,满足视频SAR实时成像的速度要求。 相似文献
8.
9.
VideoSAR成像时,运动目标发生散焦和移位,但在其真实位置留下阴影,且阴影在VideoSAR的图像序列中发生运动。根据运动目标的这个特征,提出了一种在VideoSAR图像序列中检测运动目标的方法,通过检测运动的阴影来检测运动目标。该方法主要分为背景补偿和背景分割两部分。首先,将段内的图像用SIFT+RANSAC算法进行配准,使得图像序列的背景对齐;然后,用单高斯模型对图像序列进行统计,得到该段图像序列的背景模型,将背景与当前图像差分后并二值化,得到前景的二值图;最后,对二值图进行形态学处理,即可提取出运动目标的阴影。该方法用美国Sandia国家实验室的VideoSAR图像进行了验证,具有良... 相似文献
10.
机载气象雷达系统进行气象探测时易受到强地杂波的干扰,从而导致目标信息丢失。为准确检测地杂波中的气象目标,获取完整的目标信息,本文提出了一种基于卷积神经网络(Convolution Neural Networks, CNN)的机载气象雷达目标检测方法。该方法联合时域、多普勒域和俯仰维空域信息,将杂波相位对准指标、多普勒速度和干涉相位作为CNN的输入,并给出详细的网络结构。本文通过模拟雷达回波仿真产生训练集和测试集,并对所提网络进行训练和测试。仿真结果表明,与目前的气象目标检测方法相比,该方法具有较高的检测概率,而且在谱矩信息变化的情况下仍可维持较好的检测性能,具有很好的鲁棒性。此外,仿真结果表明CNN比传统的贝叶斯分类器和支持向量机等分类网络具有更好的分类性能。 相似文献